《Journal of Energy Storage》:Artificial Neural Network-based prediction of storage-tank temperatures in hybrid electric water-heating systems with integrated thermal energy storage
编辑推荐:
本文建立了人工神经网络(ANN)模型,用于预测集成热储能(TES)罐并辅以废热回收及太阳能辅助热泵(Solar-Assisted Heat Pump, SAHP)系统的多种容量(100 L–250 L)电蓄热式热水(Electric Storage Tank
本文建立了人工神经网络(ANN)模型,用于预测集成热储能(TES)罐并辅以废热回收及太阳能辅助热泵(Solar-Assisted Heat Pump, SAHP)系统的多种容量(100 L–250 L)电蓄热式热水(Electric Storage Tank Water Heating, ESTWH)系统中热储能水(Thermal Water Storage, TWS)罐及ESTWH出口水温。研究人员采用Levenberg–Marquardt反向传播(Levenberg–Marquardt Backpropagation, LMBP)算法训练多层感知器(Multilayer Perceptron, MLP),利用实测传感器数据与动态仿真运行工况剖面建模。分别建立单罐及多单元配置下的ANN模型并按储罐容量分组。预测性能采用决定系数(Coefficient of Determination, R2)、均方根误差(Root Mean Square Error, RMSE)及平均绝对误差(Mean Absolute Error, MAE)评估,并通过Garson算法及Olden连接权值法进行特征重要性(Feature Importance)分析。将ANN预测结果与动态仿真输出进行系统比较并评估残差。此外对比了Levenberg–Marquardt优化器与自适应梯度下降(Adaptive Gradient Descent)及带动量梯度下降(Gradient Descent with Momentum)算法的表现。所建ANN模型在所有系统配置及季节数据集上均取得优异预测性能,R2> 0.99,RMSE < 0.25 °C,MAE < 0.06 °C,收敛稳定且无过拟合迹象。特征重要性分析表明环境温度(Ambient Temperature)、进水温度(Inlet Water Temperature)及太阳能相关参数为系统行为主导驱动因子且季节性影响相对敏感度。ANN预测与动态仿真输出高度吻合,证实该建模框架对双源可再生热能集成系统具备鲁棒性与可扩展性。Levenberg–Marquardt优化器在收敛速度及预测误差方面均优于所对比算法。本研究首次将ANN建模应用于同时集成废热回收、SAHP及多规格ESTWH单元的混合型热水系统架构,进行了容量特异性性能评价(100 L–250 L)揭示热惯性对预测精度的影响,并开发了可替代高保真动态仿真的计算高效代理模型(Surrogate Model),适用于复杂热能系统中的实时温度预报与运行优化。
论文解读——基于ANN的混合电热水加热系统储水罐温度预测研究
《Journal of Energy Storage》刊载的本研究针对大型医疗机构中高能耗生活热水系统,提出一种基于人工神经网络(Artificial Neural Network, ANN——一种模拟生物神经元连接模式进行非线性映射拟合的机器学习算法,常用于热工系统黑箱建模)的数据驱动代理模型,用于预测集成废热回收(Waste Heat Recovery)、太阳能辅助热泵(Solar-Assisted Heat Pump, SAHP)及多容量电储水式热水箱(Electric Storage Tank Water Heating, ESTWH)的混合热水系统中热储能水(Thermal Water Storage, TWS)罐及ESTWH内水温。现有常规电热水系统导致高峰用电占比达40%–50%,引入可再生能源与废热回收可降低能耗,但基于热力学第一定律的解析动态模型推导复杂且耗时,而ANN作为黑箱模型可绕过复杂物理结构假设,直接建立输入—输出非线性关系,适合此类强非线性多源耦合热系统。此前ANN多用于单一热泵、太阳能热水或单独储热罐建模,尚未见同时耦合废热回收+SAHP+多规格ESTWH网络的混合架构研究,也缺乏按水箱热容量分级的性能评价。本研究旨在填补该空白,开发可替代高保真动态仿真的快速温度预测代理模型,为后续模型预测控制(Model Predictive Control, MPC)与运行优化提供基础。
主要关键技术方法
研究人员以南非布隆方丹某大型医疗机构为案例,建立含2000 L TWS罐(由多功能冷水机组废热预热进水)、SAHP(空气源热泵+真空管太阳能集热器并联运行)及57台ESTWH(按100 L/150 L/200 L/250 L分组,共四类)的系统能量平衡微分方程组(MATLAB仿真生成训练标签)。输入变量选自能量平衡方程中有物理意义的时变参量:TWS模型输入为η×Iβ(t)(太阳辐照—集热效率乘积)、Tpre(t)(预热进水温度)、COP×Php×Shp(t)(热泵有效加热量)及UL?TWS×Tamb(t)(散热项),输出为TTWS(t);ESTWH模型输入为PEL×SEL(t)(电加热元件有效功率)、TTWS(t)(来自TWS的预热供水温度)及UL×Tamb(t),输出为TS(t)。数据经去NaN、零方差列剔除、Min–Max归一化[0,1]及反归一化处理,按70%训练/15%验证/15%测试随机划分(固定随机种子保证可重复)。采用前馈多层感知器(Multilayer Perceptron, MLP)网络,TWS输入层4节点、ESTWH输入层3节点,各含10节点隐层(双曲正切Sigmoid激活)及线性输出层,以Levenberg–Marquardt(LM/trainlm)为主优化器并与traingdx、traingdm对比,早停法防止过拟合,隐层节点数经试凑确定。性能以R2、RMSE、MAE评估,特征重要性采用Garson算法与Olden连接权重法分析,另建滑动平均动态模型作基准对照。
研究结果
4.1 训练报告与性能结果(Training reports and performance results)
所有配置下ANN模型均快速收敛(最佳验证世代多数<24 epoch,TWS夏季仅需8 epoch),无过拟合迹象——验证集性能与训练/测试集一致。TWS罐夏季RMSE=0.0843 °C、MAE=0.0562 °C、R2=0.9992;冬季RMSE=0.0943 °C、MAE=0.0566 °C、R2=0.9900。100 L ESTWH夏季RMSE=0.1459 °C、R2=0.9948;冬季RMSE=0.1875 °C、R2=0.9949。150 L ESTWH夏季RMSE=0.1570 °C、R2=0.9949;冬季RMSE=0.1749 °C、R2=0.9927。200 L ESTWH夏季RMSE=0.1700 °C、R2=0.9934;冬季RMSE=0.1612 °C、R2=0.9886(冬季收敛需55 epoch,反映季节非线性增强)。250 L ESTWH夏季RMSE=0.2257 °C、R2=0.9535;冬季RMSE=0.2327 °C、R2=0.9735。全部RMSE<0.25 °C、MAE多<0.06 °C、R2大多>0.99,符合高精度热系统温度预测标准,ANN在100–200 L多单元配置上优于滑动平均动态模型。
4.2 训练/验证/测试集回归分析(Regression analysis across training, validation, testing)
各系统训练、验证、测试子集回归系数(Regression Coefficient, R)彼此接近且整体R>0.97(TWS及100–150 L ESTWH整体R>0.99),训练与测试集无显著分离,证实模型泛化能力良好。200 L ESTWH夏季测试R略降至0.87664(整体R=0.95194)但仍属可接受,250 L ESTWH夏季整体R=0.94435,主要受训练阶段较低相关性影响,冬季回升至0.96765,表明季节条件改变灵敏度分布但不导致严重退化。
4.3 特征重要性分析(Feature importance analysis)
Garson算法显示TWS水温主要由预热进水温度η×Iβ(t)及COP×Php×Shp(t)驱动,冬季热损项UL?TWS×Tamb(t)负贡献增大。ESTWH中进水温度TTWS(t)与电加热功率PEL×SEL(t)为主要正向驱动,散热项为负向贡献;大容量水箱(250 L)输入敏感性更集中于1–2个变量。Olden连接权重法确认各输入呈正负双向作用且季节性主要改变贡献方向与幅值而非主导因子排序,环境温度、进水温度及太阳相关参量为最显著影响因子。
4.4 ANN预测与动态模型对比(ANN predictions and dynamic model comparison)
ANN输出曲线与基于能量平衡的动态仿真温度轨迹高度重合,残差围绕零随机波动无系统性偏倚。瞬态过渡段(特别是200 L ESTWH夏季)偶现稍大偏差但非持续,TWS及较小容量ESTWH全时段跟踪优良,证实ANN可有效替代动态仿真进行温度演进近似。
4.5 训练误差与验证误差比较(Training error and validation error comparisons)
学习曲线显示训练与验证误差同步下降并早期稳定,无明显后期发散,200 L ESTWH冬季曲线微幅震荡后收敛,验证LM算法配合早停可控制过拟合,模型具满意泛化性。
4.6 优化器性能比较(Optimiser performance comparison)
LM算法训练耗时最短(典型0.08–0.19 s,200 L冬季0.36 s),GD Adaptive居中(0.09–0.16 s),GD Momentum最长(常>0.9 s)。最终MSE三者互有优劣但差异微小,LM在精度—效率权衡中最优,故选为首选训练算法。GD Adaptive在多单元系统MSE表现较均衡,GD Momentum个别工况MSE最低但耗时显著增加。
讨论与结论翻译
本研究成功建立并应用ANN模型预测含废热回收及太阳能辅助热泵的多种容量电储水式热水系统中热储能水罐及ESTWH出水温度。通过在选定输入—输出数据集上训练,证实了ANN方法能有效刻画热水系统固有的非线性与动态特性。研究人员采用LMBP函数在夏冬工况下以70%训练、15%验证、15%测试比例(每变量288个时间点)完成TWS罐及按容量分组的ESTWH系统ANN模型训练与测试,输入变量依据影响TWS罐与ESTWH系统热增益/热损失的物理参数选取。TWS罐含4输入1输出(TWS罐内预热水温),57台ESTWH按100 L–250 L分组建立4个独立模型,各含3输入1输出(各ESTWH内热罐水温)。主要结果表明:所建ANN模型取得优异预测性能,R2主要高于0.99,RMSE稳定低于0.25 °C,MAE一般低于0.06 °C,收敛稳定且无过拟合证据;LM优化器提供最低误差与最快收敛;特征重要性分析确认环境温度、进水温度及太阳相关变量主导系统行为且季节性影响相对敏感度;ANN预测与动态模型输出高度吻合,验证了该建模方法对双源可再生热能集成系统的鲁棒性与可扩展性。上述发现证实数据驱动建模可有效表征复杂混合可再生系统并大幅降低计算负担,分组仿真与集成配置间的一致性凸显所提方法之鲁棒性与可扩展性,为大型用能设施智能能源管理提供了适用于优化与控制集成的可靠代理建模框架。本研究为ANN建模在先进热系统设计与运行中的应用奠定基础,支持建筑与工业可持续高效能源管理。未来工作建议采用现场运行实验数据验证、扩展至实时控制与需求侧管理约束下优化、对比LSTM或物理信息神经网络(Physics-Informed Neural Network, PINN)及纳入技术经济评价与气候随机性分析。